BAB 2 LANDASAN TEORI - Peramalan Jumlah Pelanggan Listrik Menurut Besar Arus yang Dipakai di PT. PLN (Persero) Area Padang Sidempuan Tahun 2014
BAB 2 LANDASAN TEORI
2.1. Pengertian Peramalan (Forecasting)
Peramalan Forecasting adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan diperlukan adanya perbedaan waktu antara kesadaran akan dibutuhkan suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu tersebut panjang, maka peran peramalan menjadi penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadi suatu peristiwa.
Sedangkan peramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi di masa yang akan datang. Remalan tersebut dapat didasarkan atas bermacam – macam cara yang dikenal dengan metode peramalan. Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu. Metode peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu.
2.2. Kegunaan dan Peran Peramalan
Sering terdapat tenggang waktu (Time Lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang nol atau sangat kecil, maka perencanaan tidak diperlukan. Dalam situasi seperti itu peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan.
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Dalam perencanaan di suatu instansi baik itu pemerintahan maupun swasta, peramalan merupakan kebutuhan yang sangat mendasar. Di mana baik maupun buruknya ramalan dapat mempengaruhi seluruh bagian instansi, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun.
Kegunaan dari suatu ramalan dapat dilihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi saat keputusan tersebut dilakukan. Apabila keputusan yang diambil kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan. Oleh karena itu, ketepatan dari ramalan tersebut merupakan hal yang sangat penting. Perlu disadari bahwa suatu ramalan adalah tetap ramalan, di mana selalu ada unsur kesalahannya, sehingga yang terpenting diperhatikan adalah untuk memperkecil kesalahannya tersebut.
Metode peramalan sangat berguna, karena akan membantu dalam mengadakan analisis terhadap data dari masa lalu. Dengan metode peramalan akan memberikan cara pemikiran, pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga memberikan ketepatan hasil analisis.
2.3 Jenis Peramalan
Berdasarkan sifatnya, teknik peramalan dapat dibagi dalam 2 kategori utama yaitu : 1.
Peramalan kwalitatif atau teknologis Peramalan kwalitatif adalah peramalan yang didasarkan atas data kwalitatif pada masa lalu. Hasil peramlan ini sangat bergantung pada orang yang menyusunnya.
Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang instuisi, pendapat dan pengetahuan serta pengalaman dari orang – orang yang menyusunnya.
2. Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan ini sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut, karena dengan metode yang berbeda akan diperoleh suatu hasil peramalan yang berbeda pula. Baik tidaknya metode yang dipergunakan ditentukan oleh perbedaan dan penyimpangan antara hasil ramalan dengan keyakinan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti prosedur penyusunan yang baik.
Peramalan kuantitatif dapat dipergunakan bila terdapat 3 kondisi, yaitu: 1. Adanya informasi tentang masa lalu 2.
Informasi tersebut dapat dikuantitatifkan dalam bentuk angka 3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang
Metode – metode peramalan dengan analisis deret waktu yaitu : 1. Metode Pemulusan Eksponensial dan Rata – Rata Bergerak
Sering digunakan untuk peramalan jangka pendek dan jarang dipakai untuk peramalan jangka panjang.
2. Metode Regresi Metode ini bisa digunakan untuk ramalan jangka menengah dan jangka panjang.
3. Metode Box – Jenkins Jarang digunakan, namun baik untuk ramalan jangka pendek, menengah dan jangka panjang.
2.4 Jenis – Jenis Metode Peramalan
2.4.1 Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama perlu diketahui ciri – ciri penting yang perlu diperhatikan bagi pengambilan keputusan dan analisis keadaan dalam mempersiapkan peramalan.
Ada 6 faktor utama yang diidentifikassikan sebagai teknik dan metode peramalan yaitu :
1. Horizon waktu Ada 2 aspek dari horizon waktu yang berhubungan dengan masing – masing metode peramalan yaitu : cakupan waktu di masa yang akan datang dan jumlah periode untuk peramalan yang diinginkan.
2. Pola data Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan.
3. Jenis dari model Model –model merupakan suatu deret di mana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan – perubahan dalam pola. Model – model perlu diperhatikan karena masing – masing model mempunyai kemampuan yang berbeda dalam analisis keadaan untuk pengambilan keputusan.
4. Biaya yang dibutuhkan Umumnya ada 4 unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan yaitu biaya – biaya pengembangan, penyimpangan (storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik – tekhnik dan metode peramalan.
5. Ketepatan metode peramalan Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutuhkan di dalam suatu peramalan.
6. Kemudahan dan penerapan Metode – metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu prinsip umum bagi pengambilan keputusan.
2.4.2 Analisis Deret Berkala
Data berkala (time series) adalah data yang dikumpulkan untuk memberikan gambaran tentang perkembangan suatu kegiatan. Analisis data berkala memungkinkan untuk mengetahui perkembangan suatu atau beberapa kejadian serta hubungan kerja lainnya.
Metode time series merupakan metode peramalan kuantitatif didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan untuk meramalkan apakah data tersebut stationer atau tidak dan ekstrapolasi ke masa yang akan datang. Stationer itu sendiri berarti bahwa tidak terdapat pertumbuhan/penurunan data. Data secara kasar harus horizontal sepanjang waktu dengan kata lain fluktuasi data tetap konstan setiap waktu.
2.4.3 Penentuan Pola Data
Hal penting yang perlu diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya, sehingga pola data yang tepat dengan pola data historis tersebut dapat diuji, di mana pola data umumnya dapat dibedakan sebagai berikut : 1.
Pola Horizontal (H) Pola ini terjadi bilamana nilai data berfluktuasi di sekitar nilai rata yang kostan.
2. Pola Musiman (S)
Pola yang menunjukkan perubahan yang berulang – ulang secara periode dalam deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman, misalnya kwartal tahun tertentu, bulanan atau hari – hari pada minggu – minggu tertentu.
3. Pola Siklis (C) Pola data yang menunjukkan gerak naik turun dalam jangka panjang dari suatu kurva trend, terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti berhubungan dengan siklus bisnis.
4. Pola Trend (T) Pola yang menunjukkan kenaikan atau penurunan jangka panjang dalam data.
2.5 Metode Pemulusan (Smoothing)
Metode smoothing adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata – rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan.
Secara umum metode smoothing diklasifikasikan menjadi 2 bagian, yaitu : 1. Metode Rata – Rata
Metode rata – rata dibagi atas 4 bagian, yaitu : a.
Nilai tengah (Mean) b.
Rata – rata bergerak tunggal (Single Moving Average) c. Rata – rata bergerak ganda (Double Moving Average) d.
Kombinasi rata – rata bergerak lainnya Tujuan metode rata – rata adalah untuk memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang.
2. Metode Pemulusan Eksponensial
Bentuk umum dari metode pemulusan eksponensial adalah : = + (1 –
α) (2.1) Keterangan :
= Ramalan 1 periode ke depan = Data aktual pada periode ke – t = Ramalan pada periode ke – t
α = Parameter pemulusan
Metode smoothing eksponensial terdiri atas : 1. Smoothing eksponensial tunggal a.
Satu parameter b. Pendekatan adaptif 2. Smoothing eksponensial ganda a.
Metode linier satu parameter Brown b. Metode dua dari Holt 3. Smoothing Eksponensial Tripel a.
Metode kuadratik satu parameter dari Brown b. Metode 3 parameter untuk kecendrungan dan musiman dari Winter 4. Smoothing eksponensial menurut klasifikasi Pegels
2.5.1 Metode Smoothing Yang Digunakan
Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai penjualan energi listrik pada pemecahan masalah ini adalah dengan menggunakan metode smoothing eksponensial yaitu, smoothing eksponensial satu parameter dari Brown.
Metode ini merupakan metode yang dikemukakan oleh Brown. Dasar pemikiran dari metode smoothing eksponensial linier satu parameter dari Brown adalah serupa dengan rata – rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebelumnya.
Persamaan yang dipakai dalam persamaan pemulusan eksponensial linier satu parameter dari Brown adalah :
= α X t + (1- α) (2.2)
(2.3)
= α + (1- α) a t = + = 2 – (2.4) b t = ( – ) (2.5)
= a t + b t (m) (2.6) Keterangan :
m = jumlah periode di depan yang diramalkan
= nilai eksponensial smoothing tunggal = nilai eksponensial smoothing ganda = parameter pemulusan eksponensial
α
a t , b t = konstanta pemulusan
= hasil peramalan untuk m periode ke depan yang akan diramalkan
2.6 Ketepatan Ramalan
Ketepatan ramalan adalah satu hal yang mendasar dalam peramalan yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode ramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang. Untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan.
Beberapa kriteria yang digunakan dalam menguji ketepatan ramalan adalah sebagai berikut :
1. ME (Mean Error)/Nilai Tengah Kesalahan
ME = (2.7) 2. MSE (Mean Square Absolute Error)/Nilai Tengah Kesalahan Kuadrat
MSE = (2.8) 3. MAE (Mean Absolut Error)/Nilai Tengah Kesalahan Absolut
MAE = (2.9) 4. SSE (Sum Square Error)/Jumlah Kuadrat Kesalahan
SSE = (2.10) 5. SDE (Standard Deviation Of Error)/Devisi Standar Kesalahan
SDE = (2.11) 6. MAPE (Mean Absolut Percentage Error)/Nilai Kesalahan Persentase Absolut
MAPE = (2.12)
7. MPE (Mean Percentage Error)/Nilai Tengah Kesalahan Persentase
MPE = (2.13)